关于 MLNN 2025

 

2025 机器学习与神经网络国际会议

 

作为第六届计算机视觉、图像与深度学习国际会议 （CVIDL 2025） 的一个分支，MLNN 2025 将重点关注学习系统和神经网络的基础理论、关键技术和实际应用，涵盖深度学习、计算机视觉、自然语言处理和强化学习等各个子领域。通过特邀报告、主题演讲、分会报告、海报会议和我们今天可用的其他形式的沟通渠道;我们旨在展示来自学术界和工业界的相关领域的最新研究成果和技术创新。

 

本次会议为参会者提供了一个机会，让他们更深入地了解学习系统和神经网络领域的前沿趋势，同时通过与同行的学术交流拓宽他们的研究视野。它还鼓励跨学科交流最先进的研究信息，通过将人才招聘战略与技术发展计划相结合，将先进的学术资源与工业解决方案联系起来。

 

出版

 

所有被接受的论文全文都将在会议论文集中发表，并将提交给 EI Compendex / Scopus 进行索引。

 

邀请嘉宾

 

Xuehe Wang

 副教授

 

中山大学

 

个人简介：Xuehe Wang 教授于 2016 年在新加坡南洋理工大学获得电气与电子工程博士学位。 

 

她目前担任中国中山大学人工智能学院副教授。在此之前，她于 2019 年至 2021 年在新加坡理工学院信息通信技术集群担任助理教授，并于 2015 年至 2019 年在新加坡科技设计大学工程系统与设计支柱担任博士后研究员。她的研究兴趣包括多智能体系统、联邦学习、网络经济学和博弈论。

 

演讲题目：在异构网络中实现快速收敛的自适应联合学习

 

摘要：联邦学习 （FL） 已成为一种著名的分布式机器学习框架，它使地理位置分散的客户端能够协作训练全局模型，同时保留其隐私敏感数据。然而，由于异构客户端生成的非独立和同分布 （Non-IID） 数据，传统的联邦优化方案（如 FedAvg 及其变体）的性能变差，要求设计自适应地调整特定的模型参数，以减轻异构性的负面影响。在本次演讲中，我们将讨论如何通过利用不同的技术（如熵和范数形式）来设计自适应学习算法，以减轻异构客户端之间的参数偏差并实现快速收敛。自适应学习算法设计需要所有客户端的本地信息，包括本地参数和梯度，这很有挑战性，因为在本地更新 epoch 期间没有通信。为了获得每个客户端的分散式自适应学习率，我们引入了平均场方法，利用平均场项分别估计平均局部参数和梯度。仿真结果表明，所提出的框架在具有 IID 和非 IID 数据分布的真实数据集上的模型精度和收敛率方面都优于最先进的 FL 方案。

 

Por Lip Yee 副教授

 

IEEE 高级会员

 

马来西亚马来亚大学

 

个人简介： Lip Yee 于 2012 年在 Abdullah bin Gani 教授的指导下获得马来西亚马来亚大学博士学位。目前，他在马来西亚马来亚大学计算机科学与信息技术学院系统与计算机技术系担任副教授。他还是 IEEE 的高级会员。Lip Yee 和他的团队是 IRPA、E-Science、FRGS、ERGS、PRGS、HIR 和 IIRG 等资助的先驱获得者之一。2008 年，他成为第一位作为首席研究员 （PI） 获得两项 E-Science 基金的人。此外，他还是 FCSIT 第一个成功获得 PRGS 和 ERGS 资助的个人。除了与马来西亚的研究人员合作外，Lip Yee 还与来自法国、英国、新西兰、土耳其、泰国、中国的合作伙伴建立了国际合作。此外，他还与马来西亚和其他国家/地区的国内和国际合作伙伴以及工业合作伙伴建立了联系。

 

演讲题目：缓解图形身份验证中的肩部冲浪漏洞

 

摘要：本研究提出了图形认证创新策略的技术探索，旨在减轻与肩扛攻击相关的漏洞。在数据安全至关重要的时代，开发强大且用户友好的身份验证方法至关重要。传统的字母数字密码容易受到暴力攻击，并在管理复杂组合方面带来挑战。图形密码提供了一种很有前途的替代方案，它利用人类的认知能力来识别和回忆图像、模式和符号。我们的研究调查了图形密码的潜力，重点关注它们对肩扛式威胁的弹性，其中恶意行为者试图通过观察合法用户来捕获登录凭据，从而构成重大的隐私和安全风险。我们提出了有效平衡安全性和可用性的技术。此外，我们的实证分析表明，与传统方法相比，我们提出的方法不仅增强了安全性，而且实现了更快的登录时间。这一改进强调了用户身份验证的效率，使其成为一种实用的解决方案。总之，本研究提出了图形身份验证的新进展，以解决肩扛挑战，减少认知负荷，并优先考虑当代数字环境中的可访问性和包容性。

 

 

 

高级工程师 张诗玲

 

国网重庆电力公司 重庆电力科学研究院

 

 

个人简介：张诗玲，高级工程师，工学博士。长期从事高压与绝缘技术、理化检测技术的科研与生产。特高压干式换流器变压器套管和SF6气体绝缘穿墙套管的开发已应用于我国特高压交直流工程的建设。主持完成GIS故障检测传感技术与系统，荣获国际创新创业博览会优秀创新成果奖，被重庆电气工程学院授予优秀科技工作者称号。

 

作为第一作者在国内外期刊和国际学术会议上发表SCI/EI检索论文90余篇，北京大学中文核心期刊19篇，获重庆市科技进步一等奖、中国水利电能质量管理协会特等省部级奖励9项。 授权国际发明专利1项，国家发明专利及实用新型专利20项，软件著作权18项，国际国内会议报告20余篇，作为项目负责人主持基础前沿省部级项目2项，国家电网公司总部科技项目3项。

 

 

 

演讲题目：特高压换流变压器阀侧套管、阀塔数字孪生三维全模型构建及现场可视化案例分析

 

 

 

摘要： 本次专题演讲以特高压换流器阀厅换流变压器为研究对象，探讨了特高压换流变压器阀侧衬套和阀塔数字孪生三维全模型构建及现场可视化案例分析。图像数据经过二维处理以形成输入向量。输入向量通过三层神经网络进行二值化，其中第二层神经网络具有三种类型的波函数。进一步，围绕换流变压器的出线装置和套管结构，从高压电力设备运行的角度介绍了高压电力设备的典型结构、实际阀厅运行环境和高压电力设备在高谐波负载下的发热理论模型，分析了变压器出线装置的电热耦合非线性电场，并利用RBF神经网络和NSGA-II优化了其绝缘结构多目标优化算法。

 

重点介绍变流变压器出线区域数字孪生模型的 3D 构建。其研究方法可以扩展到转炉本体绕组结构、油纸绝缘区域和负载开关等关键部件。本文的研究成果可为换流变压器本体绝缘结构设计提供理论指导和技术参考，特别是对换流变压器出线装置区域的结构设计和运行维护提供一定的理论指导，可为换流变压器出线装置区域的短期载流能力和长期老化性能的在线分析提供一定的理论指导。

 

征文

 

提交的主题包括但不限于：

 

◕ 神经网络

 

·深度神经网络

 

·卷积神经网络

 

·生成对抗网络

 

·递归神经网络

 

·神经网络结构

 

·神经符号混合模型

 

·神经网络的可解释性和可视化方法

 

·医疗、金融、能源等领域的神经网络分析与研究

 

◕ 机器学习

 

·Width 学习系统

 

·深度学习

 

·强化学习

 

·学习转移

 

·知识图谱

 

·路径规划

 

·迁移学习

 

·生成对抗网络

 

·对抗式学习

 

·对偶学习

 

·分布式学习

 

·元学习

 

 

◕ 深度学习算法和应用

 

·图像处理中的卷积神经网络 （CNN）

 

·递归神经网络 （RNN） 及其在序列数据中的应用

 

·自编码器和生成模型

 

·神经网络在自然语言处理 （NLP） 中的应用

 

·医学图像分析中的神经网络

 

·生物信息学中的神经网络

 

·智能交通系统中的神经网络

 

·神经网络在机器人控制中的应用

 

·神经网络在推荐系统中的应用

 

·神经网络在异常检测和预警中的应用

 

·联合学习和分布式神经网络

 

·神经网络的硬件加速

 

·物联网 （IoT） 中的神经网络

 

·边缘计算中的神经网络

 

联系我们

 

翟小姐（会议秘书）

 

电话：+86-17512806705（微信）

 

邮箱：icmlnn@163.com